广告受众属性预估：从点击序列到性别、年龄预测

"京东零售标签研发部王贺的广告受众基础属性预估分享，主要探讨了如何通过用户点击广告的日志来预测用户的性别和年龄，涉及赛题理解、特征工程、方案演变等内容。赛题要求根据91天的用户行为序列预测年龄和性别，数据集包括训练集300万用户和测试集100万用户。赛题具有稀疏性和逆序建模的特点，需要处理用户行为和广告投放的稀疏性问题，以及id的长尾特性。在特征工程中，统计特征如用户出现次数、点击次数和概率分布被用于模型构建。传统的解决方案包括使用TF-IDF和统计特征，结合LightGBM或XGBoost进行建模，但要考虑TF-IDF的效率和维度问题。广告主id的层级结构也被提及，可以进行分层编码以优化特征表示。" 这篇分享详细介绍了广告受众基础属性预估的问题，首先对赛题进行了理解，强调了实际业务中通过用户属性进行精准推荐和广告投放的需求。在赛题中，任务是根据用户点击日志反推出性别和年龄，这与常规的推荐逻辑相反，是一种逆序建模的挑战。赛题的数据集包含用户91天的行为序列，分为训练和测试两部分。 在特征工程方面，提出了统计特征如用户活跃度、广告点击频次以及不同类别下的点击总数，同时考虑了用户的交互行为和兴趣范围。此外，还利用概率分布特征来刻画用户的性别年龄分布。针对数据的稀疏性，特别是id的长尾特性，提出需要将id稠密化转化，以便更好地捕捉其信息。 在解决方案的演变中，传统的做法是采用TF-IDF进行文本特征提取，然后结合统计特征，利用LightGBM或XGBoost进行建模。然而，TF-IDF的计算效率和高维特征可能带来的问题也需要考虑。同时，广告主id的层级结构为解决广告稀疏性提供了新的思路，可以通过分层编码来提高特征的表示能力。 这份分享深入探讨了广告受众属性预测的技术细节，包括数据的理解、特征的选择和模型构建的策略，对于理解和优化广告推荐系统有重要的参考价值。